一些算法岗的校招面经

从今年3月份暑期实习到秋招一直投的算法岗（数据挖掘、机器学习），今年听说投算法的人特别多，竞争激烈，自己之前本来想去金融，后来觉得还是喜欢互联网，从去年11月才开始好好看书，又不是CS科班出身，所以面试毫无优势可言。基本上把大半个互联网公司都面了一遍，虽然挂的太多，但面试官水平都很高，面试中也学到了很多东西，认识到很多地方不足，要学的东西太多。

 

有的时间太久，细节想不起来了，想起来再慢慢更新，把不知道的知识点补上，写的乱凑合着看

 

携程（实习）：

1.    讲项目

2.    写一下LR损失函数

3.    SQL题，很简单，但当时没想出来…

4.    GBDT、xgboost用过吗，解释一下

5.    距离公式有哪些（余弦距离等）

6.    特征怎么选择

7.    随机森林

8.    优化BFGS了解吗

 

滴滴（实习+校招）：

过完年回来，参加映像最深刻的实习面试，全程3小时，其实问的很基础，但是自己没有好好准备，很多基础掌握不牢。

1.     讲项目

2.     SQL：leftjoin、inner join区别，写了一道题

3.     SVM是什么、核函数有哪些、怎么选择

4.     LR损失函数推导一下

5.     随机森林、Adboost

6.     AUC、ROC、recall、precision写公式，AUC的直观解释

7.     CNN的卷积公式

8.     损失函数不可导，梯度下降法怎么办？（次梯度？）

9.     Python中list和tuple的区别

10.   正负样本不平衡怎么办

11.   决策树怎么剪枝

12.   问了些数据结构

 

校招（没面完）：

1.     写个快排、改进、find（s,p），写了4道代码题

2.     200G日志用笔记本找Top100的query

3.     解释一下xgboost

4.     讲项目，用到了哪些特征

 

阿里（实习+校招）

内推的蚂蚁的风控部门

一面：

1.    7月底就打了电话，主要是讲项目，然后针对项目提了很多问题，面试官水平很高

2.    数据样本构造、样本选取

3.    讲了word2vec以及怎么应用

4.    看过什么前沿的论文

5.    垃圾评论检测

 

二面（挂）：

1.    聊项目

2.    文本相似度计算为什么不用SVD…

3.    了解哪些优化算法

 

腾讯（实习+校招）

实习做了笔试，邀请到酒店面试，是一个小哥，很和蔼

1.    自我介绍，讲了一个项目

2.    Xgboost、随机森林的区别，xgboost怎么并行

3.    L1、L2正则化的区别，为什么L1得到稀疏解

4.    解释一下SGD、drop_out、神经网络的BN层

5.    代码题：最长子序列的乘积

（第二天查了状态是复试中，但到最后也没收到复试通知，最后一天查状态挂了…）

 

秋招内推，腾讯游戏的部门

一面（视频面，全程写代码）

1.    写LR公式

2.    DNN前向传播、反向传播，求梯度

3.    实现一下shuffle函数

4.    了解强化学习、增强对抗学习吗（不了解）

 

二面（挂）：

1.    讲项目

2.    K-means、随机森林、DNN怎么调参

3.    怎么防止过拟合

4.    C++内存怎么分配（说不知道，直接跪）

5.    写C字符串拷贝函数strcpy

6.    写判断是否二叉排序树

 

美团（校招）

1.     推荐算法：SVD、协同过滤等，怎么做推荐的

2.     解释一下CNN、RNN

3.     数据怎么处理、特种工程

4.     特征选择怎么做、决策树怎么分裂的

5.     推荐系统好坏评价

6.     解释一下AB测试

7.     提高外卖配送效率，需要考虑哪些因素

8.     样本怎么构造、数据量有多大

9.     余弦距离和欧氏距离区别

10.   评论反作弊（被问了不下于3次）

 

京东（实习+校招）

校招投的上海这边算法组，面了两面说对我很满意，要给部门老大看，但不一定有offer，因为老大手上简历太多…

1.    讲项目，特别是衡量指标

2.    怎么做推荐的

3.    决策时、GBDT、Xgboost讲一下区别

4.    Sql题：怎么用join实现分组排序和分组累加和

5.    问了项目的word2vec和doc2vec算法、问了推荐怎么做的

6.    LSTM和RNN区别

 

百度（校招）

先是内推，面完3面后很久没收到消息，就知道挂了

一面：

1.    xgboost与GBDT比较

2.    Python中numpy为什么快，说用的C实现，然后问C++中STL底层，完全不会

3.    Python中能表示的最大数

4.    怎么做推荐、文本处理方法

5.    写代码：求两个字符串的最小编辑距离

 

二面：

1.     CNN怎么做文本分类

2.     怎样快速计算x的根号3次方，有内存限制，不能调库函数（这个问题纠结了很久）

 

三面：

经理面，从技术到人生都问了很多

1.     写个代码，求两个有序数组的交集，O(n)，没想出来，只想出了一个二分查找

2.     协同过滤

3.     开放题，输入一个刘，弹出刘德华之类的，怎么做

 

校招霸面:

二面是百度凤巢的，感觉水平很高，答的不好，挂了

1.     信息熵、信息增益、相对熵、交叉熵、互信息、基尼系数

2.     常用的有哪些损失函数，推导一下log loss的梯度

3.     写个代码：快速排序，平均时间复杂度、最坏情况

4.     怎样确定采样的样本数量

5.     特征工程怎么做

6.     特征值、特征向量解释一下

7.     解释一下决策树、随机森林

8.     推荐系统考虑的因素特征

9.     路径优化考虑哪些因素

10.   写个代码：字符串去重函数

 

爱奇艺（校招）

1.    写个二叉树反转

2.    信息熵公式

3.    CNN卷积的物理含义、pooling的作用

4.    画一下word2vec中的skip-gram模式图

5.    概率题：54张抽出2张同花色的概率，大小王任意一种花色都不算

 

还面了华为、唯品会之类的，基本都是聊项目，所以没什么好写的，后面想起了再更新